1)从键盘上输入一个小数，如果这个数大于90，输出A，如果这个数大于80且不大于90，输出B，如果这个数不大于80，输出C。
num = int(input("请输入一个数字："))
if num > 90:
print("A")
elif num > 80:
print("B")
else:
print("C")
opencv的视差转深度图计算方法－官方文档
来自知乎的：立体视觉书籍推荐&立体匹配十大概念综述—立体匹配算法介绍
SSD：OpenCV的匹配，默认就是像素差的平方和再开根号，官方doc的Norn_L2可以去看看。（这两个还是不一样的，只是这两种方式都有共性，就是距离函数嘛。。实测距离函数，欧氏距离或者SSD会好一些，其他的看情况，更改距离判断函数提升的效果远没有优化方案优化特征提取效果好，当然，距离函数也要选对，不是说它完全不重要（括号里的是我自己多次尝试得出的经验，一家之言谨慎参考））
来自知乎的：基于深度学习的双目匹配和视差估计，写文章可以放到综述，我真机智。
来自知乎的：关于双目摄像头深度测量精度分析，简单说就是越远精度越差，毕竟像素密度有采样误差。这个可以不看，需要实验精度分析时候可以参考下。
来自知乎的：基于双目视觉的自动驾驶技术，这段有想法：
这是一个利用路上标志线（斑马线）的标定方法：已知斑马线的平行线模式，检测斑马线并提取角点，计算斑马线模式和路面实现匹配的单映性变换（Homography）参数，得到标定参数。
我：运动中的图像采集场景需要考虑运动模糊，而且，相机多数都是采用行扫描的方式，在运动中对两侧场景可能会存在运动变形，工业相机有自己的相机CMOS的cache，没有cache的相机需要考虑图像采集效果，两侧场景可能用列扫描的方式更好些。
来自知乎的一个作者的系列文章，内容一般，但是有比较系统的讲解，后两个介绍了别人的论文，质量可以，该有的都有
StereoVision–立体视觉（1）
StereoVision–立体视觉（2）
StereoVision–立体视觉（3）
StereoVision–立体视觉（4）
《Cross Scale Cost Aggregation for Stereo Matching》，这里简称为CSCA，这是一篇2014年的CVPR的文章，Github链接
StereoVision–立体视觉（5）
《A Non-Local Cost Aggregation Method for Stereo Matching》Key Word：Minimum spanning tree:MST 最小生成树
BM，SGBM，GC，SAD:代价计算与代价聚合不一样而已。OpenCV也有实现。
另一个对上面的介绍
真实场景的双目立体匹配获取深度图详解，OpenCV极限校正、SGBM实现，讲了具体实现，没有原理，只是OpenCV的API调用。实验可以参考。
CVPR2019:FlowNet3D: Learning Scene Flow in 3D Point Clouds,从三维点云估计场景流。
立体匹配就4个步骤：匹配代价计算，代价聚合，计算视差，视差精化。,描述了几个定义，意思大家都懂，就是名词解释有时候对不上。
A Large Dataset to Train Convolutional Networks for Disparity, Optical Flow, and Scene Flow Estimation.
SceneFlow数据集官方给出的一些参考
自己觉得有必要走的路线：
GcNet，开源：
ICCV-2017 论文阅读笔记《End-to-End Learning of Geometry and Context for Deep Stereo Regression》
CVPR-2017 Semantic Segmentation–Pyramid Scene Parsing Network(PSPNet)论文解读
pspmet在多尺度提取空间特征有很大作用,PSMNet就是参考了这里的特征提取部分。
除了middlebury提供的库外，还可以用这种方式读写pfm文件，但是我更倾向于用Github的方法